[发明专利]一种基于集合经验模式分解和相空间重构的火灾时间序列预测方法

权利要求书

1.一种基于集合经验模式分解和相空间重构的火灾时间序列预测方法，其特征在于基本步骤为：首先采用集合经验模式分解方法对火灾时间序列进行分解；然后采用多变量相空间重构技术对每个分解量进行相空间重构，构建每个分量的支持向量回归预测模型，来预测每个分量未来的值；再利用各个分量的预测值来构建支持向量回归预测模型，以该预测模型来预测火灾时间序列未来的值。

2.根据权利要求1所述的基于集合经验模式分解和相空间重构的火灾时间序列预测方法，其特征在于具体步骤为：

（1）首先对火灾时间序列                                                进行规则化处理，即将每个数据除以其最大值，得到规则化数据；

（2）利用集合经验模式分解方法对规则化的火灾数据进行分解，得到其分解分量，即，其中表示集合经验模式分解， 表示第个分解分量，表示剩余分量；

（3）对上面的分解分量和剩余分量进行动力学分析，采用G-P算法估计每个分量的嵌入维数，并把估计出的嵌入维数的最大值作为每一分量的相空间嵌入维数；令，对，每个分量重构得到新的向量，其中是分量中第个数据；再将嵌入向量与分量中对应的下一步的值组成训练数据对集，其中，为训练数据长度；

（4）采用非线性支持向量回归构建各个分量的预测模型；利用训练数据对集来估计模型参数得到预测模型；

（5）将每个分量的预测值作为非线性支持向量回归集成预测的输入数据，得到原始火灾时间序列的预测结果。

3.根据权利要求2所述的基于集合经验模式分解和相空间重构的火灾时间序列预测方法，其特征在于所述采用G-P算法估计相空间嵌入维数，其步骤为：

（1）先给一个较小的，重构相空间，其中，；

（2）计算关联函数 ，其中表示相点与间的距离，，是一个在一定范围内的常数；

（3）定义关联维，其中为取对数函数，求出对应于的关联维数估计值；

（4）增加嵌入维数，重复上述步骤，直到相应的维数估计值不再随的增长而在一定误差范围内不变为止。

4.根据权利要求3 所述的基于集合经验模式分解和相空间重构的火灾时间序列预测方法，其特征在于所述根据训练数据，对每个分量采用非线性支持向量回归来构建预测模型，以对第个分量的预测为例，其具体步骤为：

给定训练样本，寻找一组Lagrange乘子和使其最大化目标函数：

满足约束条件：

1) ，

2) ，

其中，为常数，通过实验来选取，为核函数；获得最优的和的值后，假设的估计为，则： 

为的一个样本，其中，核函数使用径向基函数：

 。